論文の概要: DoctorRAG: Medical RAG Fusing Knowledge with Patient Analogy through Textual Gradients

• arxiv url: http://arxiv.org/abs/2505.19538v1
• Date: Mon, 26 May 2025 05:56:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:43.197697
• Title: DoctorRAG: Medical RAG Fusing Knowledge with Patient Analogy through Textual Gradients
• Title（参考訳）: DoctorRAG:テキストグラディエントによる患者アナロジーと知識を融合した医療用RAG
• Authors: Yuxing Lu, Gecheng Fu, Wei Wu, Xukai Zhao, Sin Yee Goi, Jinzhuo Wang,
• Abstract要約: 既存の医療RAGシステムは、主に医療知識ベースからの知識を活用している。 本稿では,明示的な臨床知識と暗黙的な症例ベース体験を統合し,医師ライクな推論をエミュレートするRAGフレームワークであるDoctorRAGを提案する。 我々のアプローチは、より正確で、関連性があり、包括的な反応を生成し、医師のような医療推論システムに向けて一歩前進する。
• 参考スコア（独自算出の注目度）: 4.062920795080979
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing medical RAG systems mainly leverage knowledge from medical knowledge bases, neglecting the crucial role of experiential knowledge derived from similar patient cases -- a key component of human clinical reasoning. To bridge this gap, we propose DoctorRAG, a RAG framework that emulates doctor-like reasoning by integrating both explicit clinical knowledge and implicit case-based experience. DoctorRAG enhances retrieval precision by first allocating conceptual tags for queries and knowledge sources, together with a hybrid retrieval mechanism from both relevant knowledge and patient. In addition, a Med-TextGrad module using multi-agent textual gradients is integrated to ensure that the final output adheres to the retrieved knowledge and patient query. Comprehensive experiments on multilingual, multitask datasets demonstrate that DoctorRAG significantly outperforms strong baseline RAG models and gains improvements from iterative refinements. Our approach generates more accurate, relevant, and comprehensive responses, taking a step towards more doctor-like medical reasoning systems.
• Abstract（参考訳）: 既存のRAGシステムは、主に医療知識ベースからの知識を活用し、類似の患者から派生した経験的知識の重要な役割を無視する。 このギャップを埋めるために,明快な臨床知識と暗黙的な症例ベース体験を統合し,医師ライクな推論をエミュレートするRAGフレームワークであるDoctorRAGを提案する。 DoctorRAGは、クエリと知識ソースの概念タグを、関連する知識と患者の両方からハイブリッド検索機構とともに割り当てることで、検索精度を向上させる。 さらに、マルチエージェントテキストグラデーションを用いたMed-TextGradモジュールを統合し、最終的な出力が検索した知識と患者クエリに確実に準拠するようにした。 多言語マルチタスクデータセットに関する総合的な実験により、DoctorRAGは強力なベースラインRAGモデルよりも大幅に優れ、反復的な改善によって改善されていることが示されている。 我々のアプローチは、より正確で、関連性があり、包括的な反応を生成し、医師のような医療推論システムに向けて一歩前進する。

関連論文リスト

• A Retrieval-Augmented Knowledge Mining Method with Deep Thinking LLMs for Biomedical Research and Clinical Support [4.663954774358363]
  検索精度と知識推論を向上させるために,IP-RAR(Integrated and Progressive Retrieval-Augmented Reasoning)を導入する。 IP-RARは、統合推論ベースの検索を通じて情報リコールを最大化し、プログレッシブ推論ベースの生成を通じて知識を洗練する。 この枠組みは、医師がパーソナライズされた医薬品計画のための治療証拠を効率的に統合するのに役立つ。
  論文  参考訳（メタデータ） (2025-03-29T09:56:42Z)
• Experience Retrieval-Augmentation with Electronic Health Records Enables Accurate Discharge QA [14.331262700941268]
  RAGは、事実の医療知識を提供するために広く応用されている。 ケースベースの知識は効果的な医学的推論に不可欠である。 本稿では,ExpRAGフレームワークであるExperience Retrieval Augmentationを提案する。
  論文  参考訳（メタデータ） (2025-03-23T04:26:06Z)
• RGAR: Recurrence Generation-augmented Retrieval for Factual-aware Medical Question Answering [29.065294682044]
  現在のパラダイムであるRetrieval-Augmented Generation (RAG)は、大規模なコーパス検索を通じて専門的な医療知識を取得する。 本稿では,2つの情報源から関連する事実知識と概念知識の両方を検索する再帰生成拡張検索フレームワークであるRGARを紹介する。
  論文  参考訳（メタデータ） (2025-02-19T01:50:10Z)
• Comprehensive and Practical Evaluation of Retrieval-Augmented Generation Systems for Medical Question Answering [70.44269982045415]
  Retrieval-augmented Generation (RAG) は,大規模言語モデル (LLM) の性能向上のための有望なアプローチとして登場した。 医療用QAデータセットに様々な補助的要素を提供するMedRGB(MedRGB)を導入する。 実験結果から,検索した文書のノイズや誤情報の処理能力に限界があることが判明した。
  論文  参考訳（メタデータ） (2024-11-14T06:19:18Z)
• Bridging Stepwise Lab-Informed Pretraining and Knowledge-Guided Learning for Diagnostic Reasoning [20.369746122143063]
  本稿では,2つの相補的な情報ソースを結合した2元検定フレームワークを提案する。 外部知識のために,大規模モデルによって強化された階層的言語と意味的関係をエンコードする診断知識グラフ(KG)を構築した。 そこで本研究では,臨床検査信号に基づく段階的推論プロセスに従ってモデルを誘導する,ラボインフォームド・プロキシータスクを提案する。
  論文  参考訳（メタデータ） (2024-10-25T20:25:22Z)
• Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
  KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。 MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
  論文  参考訳（メタデータ） (2024-10-06T18:46:28Z)
• REALM: RAG-Driven Enhancement of Multimodal Electronic Health Records Analysis via Large Language Models [19.62552013839689]
  既存のモデルは、しばしば臨床上の課題に医学的文脈を欠いているため、外部知識の組み入れが促される。 本稿では、マルチモーダルEHR表現を強化するためのRAG(Retrieval-Augmented Generation)駆動フレームワークREALMを提案する。 MIMIC-III 死亡率と可読化タスクに関する実験は,ベースラインよりもREALM フレームワークの優れた性能を示す。
  論文  参考訳（メタデータ） (2024-02-10T18:27:28Z)
• Experience and Evidence are the eyes of an excellent summarizer! Towards Knowledge Infused Multi-modal Clinical Conversation Summarization [46.613541673040544]
  本稿では,知識を注入したマルチモーダルなマルチタスク医療ドメイン識別と臨床会話要約生成フレームワークを提案する。 目的,症状,要約を付加したマルチモーダル・マルチインテント・クリニカル・会話要約コーパスを開発した。 その結果, (a) 視覚の重要さ, (b) より正確で医用的な実体の保存, (c) 医療部門識別と臨床シナプス生成の相関が示唆された。
  論文  参考訳（メタデータ） (2023-09-27T15:49:43Z)
• A Review on Knowledge Graphs for Healthcare: Resources, Applications, and Promises [59.4999994297993]
  この総合的なレビューは、医療知識グラフ(HKG)の現状の概要を提供することを目的としている。 我々は,既存のHKGに関する文献を網羅的に分析し,その構築方法,活用技術,応用について考察した。 このレビューは、HKGsが生物医学研究や臨床実践に大きな影響を与える可能性を強調している。
  論文  参考訳（メタデータ） (2023-06-07T21:51:56Z)
• Towards Medical Artificial General Intelligence via Knowledge-Enhanced Multimodal Pretraining [121.89793208683625]
  医療人工知能(MAGI)は、1つの基礎モデルで異なる医療課題を解くことができる。 我々は、Micical-knedge-enhanced mulTimOdal pretRaining (motoR)と呼ばれる新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-04-26T01:26:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。